更新于 2026年7月21日

召回率#

术语解释#

召回率（Recall），也称为查全率，是机器学习分类任务中用于评估模型 “找得全不全” 的核心指标，其核心思想是指在所有真实的真实正样本中，被模型正确预测为正样本的比，其计算公式为

$$ \text{Recall}=\frac{\text{TP}}{\text{TP}+\text{FN}} $$

其中 TP（True Positives）表示将正样本预测为正样本的个数，FN（False Negatives）表示将正样本预测为负样本的个数（即漏掉的正样本）。

精确率召回率图示

直观理解的话，召回率衡量的是模型发现正样本的能力。例如在搜索引擎中，召回率代表了所有相关的页面中，有多少被系统成功检索并返回给了用户。

在样本不均衡的任务中，准确率会失效。例如在 10 万个样本中只有 200 个癌细胞，如果模型预测所有人都是健康的，准确率虽高达 99.7%，但召回率为 0。这种模型无法发现任何患者，对于医疗决策毫无意义。

在某些特定场景下，“漏掉”一个正样本的代价远大于“错报”一个负样本。为了量化这种寻找正样本的彻底程度，必须引入召回率。

优点：
- 衡量相关性质量：能够有效解决准确率在处理样本不均衡的任务时会产生严重误导。
- 衡量搜索深度：召回率能清晰反映模型在整个数据集中发掘目标信息的能力。
- 适用于安全敏感场景：在癌症诊断、反欺诈或法律证据检索等场景中，高召回率能确保绝大多数风险或目标被捕捉到，是系统可用性的底层保障。
缺点：
- 如果模型为了提高召回率而变得“激进”（例如预测所有人都有病），虽然召回率会达到 100%，但会产生大量误报，导致精确率骤降。
- 无法独立评估性能：高召回率并不代表模型优秀。一个简单的“全选正类”模型拥有完美的召回率，但没有任何区分能力。